یک سیستم چند منظوره شبکه عصبی (BNNMAS) برای پیش بینی قیمت سهام: مورد مطالعه قیمت سهام DAX

قیمت: 43,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

یک سیستم چند منظوره شبکه عصبی (BNNMAS) برای پیش بینی قیمت سهام: مورد مطالعه قیمت سهام DAX

عنوان لاتین

A bat-neural network multi-agent system (BNNMAS) for stock price prediction: Case study of DAX stock price

ایجاد یک شبکه هوشمند که توانایی پیش بینی قیمت سهام را داشته باشد، همیشه موضوع جالبی برای بسیاری از سرمایه گذاران و تحلیلات مالی بوده است. پیش بینی روند مالی در اینده یکی از مسائل جالب و مهم در این روزها می باشد خصوصا بعد از بحران مالی جهانی اخیر این موضوع بسیار مورد توجه قرار گرفت. بنابراین، معامله گران نیاز به موتور قدرتمند برای استخراج اطلاعات مفید از داده های برای رسیدن به موفقیت دارند. در این مقاله، مدلی هوشمند جدید در چارچوب شبکه عصبی چندمنظوره برای پیش بینی قیمت سهام ارائه شده است. این مدل در چارچوب سیستم چندمنظوره 4 لایه برای پیش بینی 8 سال از قیمت سهام DAX در طی دوره های سه ماهه ارائه شده است. قابلیت این مدل با استفاده از داده های اساسی و فنی قیمت سهام های DAX و مقایسه این داده ها با نتایج مربوط به مدل های دیگر مانند شبکه عصبی الگوریتم ژنتیک GANN، برخی از مدل های استاندارد مانند شبکه عصبی رگرسیون سازمان-یافته GRNN و غیره، ارزیابی شده است. این مدل برای پیش بینی قیمت سهام DAX در طی دوره بحران مالی که اقتصاد با ان روبرو بود، ازمایش شد. نتایج نشان می دهد که شبکه عصبی BNNMAS بسیار دقیق و قابل اعتماد است، بنابراین از ان می توان بعنوان ابزاری برای پیش بینی قیمت سهام در بلندمدت استفاده کرد.

Creating an intelligent system that can accurately predict stock price in a robust way has always been a subject of great interest for many investors and financial analysts. Predicting future trends of financial markets is more remarkable these days especially after the recent global financial crisis. So traders who access to a powerful engine for extracting helpful information throw raw data can meet the success. In this paper we propose a new intelligent model in a multi-agent framework called bat-neural network multi-agent system (BNNMAS) to predict stock price. The model performs in a four layer multi-agent framework to predict eight years of DAX stock price in quarterly periods. The capability of BNNMAS is evaluated by applying both on fundamental and technical DAX stock price data and comparing the outcomes with the results of other methods such as genetic algorithm neural network (GANN) and some standard models like generalized regression neural network (GRNN), etc. The model tested for predicting DAX stock price a period of time that global financial crisis was faced to economics. The results show that BNNMAS significantly performs accurate and reliable, so it can be considered as a suitable tool for predicting stock price specially in a long term periods.